Vous êtes sur la page 1sur 34

Université de Paris X Nanterre

U.F.R. Segmi Année 2007-2008


Licence Economie-Gestion première année

Cours de Mathématiques II
Chapitre 1. Algèbre linéaire

Table des matières


1 Espaces vectoriels 2
1.1 Espaces et sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Systèmes d’équations linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Système de deux équations à deux inconnues . . . . . . . . . . . . . 4
1.2.2 Système de trois équations à trois inconnues . . . . . . . . . . . . . . 5
1.2.3 Cas général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Combinaisons linéaires, familles génératrices . . . . . . . . . . . . . . . . . . 7
1.4 Familles libres, familles liées . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Bases, dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Caractérisation des sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . 10
1.6.1 Sous-espaces vectoriels de R2 . . . . . . . . . . . . . . . . . . . . . . 11
1.6.2 Sous-espaces vectoriels de R3 . . . . . . . . . . . . . . . . . . . . . . 11

2 Matrices 12
2.1 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Matrices carrées inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Transposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

3 Produit scalaire 20

4 Projection orthogonale 23
4.1 Projection orthogonale sur une droite . . . . . . . . . . . . . . . . . . . . . 23
4.2 Cas général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3 Moindres carrés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.4 Systèmes surdéterminés d’équations linéaires . . . . . . . . . . . . . . . . . 26
4.5 La matrice de projection orthogonale . . . . . . . . . . . . . . . . . . . . . . 28
4.6 La droite des moindres carrés . . . . . . . . . . . . . . . . . . . . . . . . . . 29

5 Formes quadratiques 31

1
1 Espaces vectoriels
1.1 Espaces et sous-espaces vectoriels
Définition 1. Un espace vectoriel sur R est un ensemble E contenant un élément appelé


vecteur nul et noté 0 , muni d’une addition interne notée + et d’une multiplication externe
notée · vérifiant :
∀x, y, z ∈ E , (x + y) + z = x + (y + z) , (associativité) (1)
∀x, y ∈ E , x + y = y + x , (commutativité) (2)
∀x ∈ E , x + 0 = 0 (élément neutre) (3)
∀x ∈ E ; , ∃y ∈ E , x + y = 0 , (symétrique) (4)
∀x ∈ E , 1 · x = x , (5)
∀λ ∈ R , ∀x, y ∈ E , λ · (x + y) = λ · x + λ · y (6)
∀λ, µ ∈ R , ∀x ∈ E , (λ + µ) · x = λ · x + µ · x (7)
∀λ, µ ∈ R , ∀x ∈ E , (λµ) · x = λ · (µ · x) . (8)
(9)
Les éléments de E sont appelés des vecteurs, notés u, v . . . ou bien →

u, →

v . . .Les éléments
de R sont appelés des scalaires.

Propriétés


∀x ∈ E , 0 · x = 0 ,
→ −
− →
∀λ ∈ R , λ · 0 = 0 ,

− →

∀x ∈ E , ∀λ ∈ R , λ · x = 0 ⇔ λ = 0 ou x = 0 ,
∀x, y ∈ E , ∀λ ∈ R∗ , λ · x = λ · y ⇔ x = y ,
∀x ∈ E , ∀λ, µ ∈ R∗ , λ · x = µ · x ⇔ λ = µ .

Exemple fondamental

Soit n ≥ 1 et Rn l’ensemble des n-uplets de réels x, représentés par une colonne à n lignes :
 
x1
 .. 
x= .  .
xn
L’addition et la multiplication externe sont définies coordonnée par coordonnée :
   
x1 + y1 λy1
x+y = .. λ · x =  x...  .
 ,
   
.
xn + yn λyn

2
Représentation géométrique Pour n = 2, on représente les vecteurs de R2 dans le
plan. x+y

yAK
A  x

*
A


 −2 · x


Fig. 1 – Les vecteurs x = (2, 1), y = (−1, 2), −2 · x et x + y.

Définition 2 (Sous-espaces vectoriels). Une partie non vide F d’un espace vectoriel E
est un sous espace vectoriel de E si
∀x, y ∈ F , x + y ∈ F , (stabilité pour l’addition) (10)
∀x ∈ F , ∀λ ∈ R , λ · y ∈ F , (stabilité pour la multiplication par un scalaire). (11)
Remarque 3. Un sous-espace vectoriel n’est pas vide par définition, et contient donc
nécessairement le vecteur nul, en raison de la stabilité par multiplication externe. Si x ∈ F ,

− →

alors 0 = 0 · x ∈ F . Le singleton { 0 } est un sous-espace vectoriel de tout espace vecto-
riel E.
Remarque 4. Un sous-espace vectoriel est lui-même un espace vectoriel. On appelle sous-
espace vectoriel propre d’un espace vectoriel E un sous-espace vectoriel de E qui n’est ni


E lui-même, ni le singleton { 0 }.


Exemple 5. La droite réelle R est un espace vectoriel qui n’admet que { 0 } et R lui même
comme sous-espace vectoriel.
Exemple 6. Dans R2 , la partie F définie par F = {(x, y) ∈ R2 | y = 2x} est un sous-espace
vectoriel de R2 .
Exemple 7. Dans R2 , la partie F définie par F = {(x, y) ∈ R2 | y = 2x + 1} n’est pas un
sous-espace vectoriel de R2 .
Exemple 8. Dans R2 , la partie F définie par F = {(x, y) ∈ R2 | x ≥ 0 , y ≥ 0} n’est pas
un sous-espace vectoriel de R2 .
Proposition 9. Soit E un espace vectoriel et soit F et G deux sous-espaces vectoriels.
L’intersection de F et G est un sous-espace vectoriel de E.
Exemple 10. Soit dans R3 les sous-espaces F et G définis par
F = {x ∈ R3 | x1 − x2 = 0} , G = {x ∈ R3 | x2 − 2x3 = 0} .
Alors
F ∩ G = {x ∈ R3 | x1 = x2 = 2x3 } .
Par exemple le triplet (2, 2, 1) est dans F ∩ G.
Remarque 11. Contrairement à l’intersection, la réunion de deux sous-espaces n’est pas
un sous-espace, sauf si l’un contient l’autre.

3
1.2 Systèmes d’équations linéaires
La méthode du pivot de Gauss Une méthode pratique de résolution des systèmes
linéaires est la méthode du pivot de Gauss, qui consiste à éliminer les inconnues une à
une jusqu’à résoudre une équation à une inconnue. Cette méthode est itérative, et elle
commence de façon identique pour 2 ou n inconnues.

1.2.1 Système de deux équations à deux inconnues

Considérons le système

a1,1 x1 + a1,2 x2 = b1 ,
(12)
a2,1 x1 + a2,2 x2 = b2 .

On suppose que les coefficients ne sont pas tous nuls. Quitte à faire une permutation on
peut supposer a1,1 6= 0. Retranchons alors membre à membre a2,1 /a1,1 fois la première
ligne à la seconde ; on obtient le système équivalent au précédent :

a1,1 x1 +a1,2 x2 = b1 ,
(13)
+{a2,2 − a1,2 a2,1 /a1,1 }x2 = b2 − a2,1 b1 /a1,1 .

Si a1,1 a2,2 − a1,2 a2,1 6= 0, on obtient

a1,1 b2 − a2,1 b1
x2 = .
a1,1 a2,2 − a1,2 a2,1

En reportant dans la première équation de (13), on obtient

a1,2 b2 − a2,2 b1
x1 = .
a1,2 a2,1 − a1,1 a2,2

On voit donc que dès que a1,1 a2,2 − a1,2 a2,1 6= 0, le système a une unique solution pour
tout couple (b1 , b2 ).
Si a1,1 a2,2 − a1,2 a2,1 = 0, le système (13) devient

a1,1 x1 + a1,2 x2 = b1 ,
0 = b2 − a2,1 b1 /a1,1 .

Deux cas sont possibles :


– a1,1 b2 − a2,1 b1 6= 0 et il n’y a aucune solution ;
– a1,1 b2 − a2,1 b1 = 0 et il y a une infinité de solutions ; ce sont les couples de la forme

({b1 −1,2 x2 }/a1,1 , x2 ) ,

pour tout x2 ∈ R.

4
1.2.2 Système de trois équations à trois inconnues

Soit le système

 a1,1 x1 + a1,2 x2 + a1,3 x3 = b1 ,
a2,1 x1 + a2,2 x2 + a2,3 x3 = b2 , (14)
a3,1 x1 + a3,2 x2 + a3,3 x3 = b3 .

Comme précédemment, on peut toujours supposer que a1,1 6= 0. On va donc élminer la


variable x1 des deuxième et troisième équations en leur retranchant respectivement la
première ligne multipliée par a2,1 /a1,1 et a3,1 /a1,1 . On note les lignes L1 , L2 et L3 et on
note ces opérations L2 − (a2,1 /a1,1 )L1 et L3 − (a3,1 /a1,1 )L1 . Pour alléger les notations, on
note

ãi,j = ai,j − a1,j ai,1 /a1,1 , 2 ≤ i, j ≤ 3 ,


b̃j = bj − (ai,1 /a1,1 )b1 , 2 ≤ j ≤ 3 .

On transcrit cette première étape de la façon suivante :



 a1,1 x1 +a1,2 x2 +a1,3 x3 = b1 ,
+ã2,2 x2 +ã2,3 x3 = b̃2 , L2 → L2 − (a2,1 /a1,1 )L1 (15)
+ã3,2 x2 +ã3,3 x3 = b̃3 , L3 → L3 − (a3,1 /a1,1 )L1 .

Le système (15) est équivalent au système d’origine, mais il est maintenant décomposé en
un sous-système de deux équations à deux inconnues que l’on sait résoudre en appliquant
la méthode précédente. Ce sous-système a soit aucune solution, soit une unique solution,
soit une infinité de solutions. S’il n’a aucune solution, le système initial n’en a pas non
plus. S’il admet des solutions, i.e. des couples (x2 , x3 ) qui vérifient les deux dernières
équations, chaque solution reportée dans la première équation permet de determiner un
triplet (x1 , x2 , x3 ) solution du système initial.
Exemple 12. Résoudre le système

 2x1 + 2x2 + 4x3 = 8 ,
2x1 − x2 + 3x3 = 3 , (16)
x1 − x2 + x3 =0.

On élimine x1 des deuxièmes et troisièmes équations.



 2x1 + 2x2 + 4x3 = 8 ,
−3x2 − x3 = −5 , L2 → L2 − L1
−2x2 − x3 = −4 , L3 → L3 − 21 L1 .

On élimine x2 de la troisième équation.



 2x1 + 2x2 + 4x3 = 8 ,
−3x2 − x3 = −5 ,
− 31 x3 = − 32 , L3 → L3 − 23 L2 .

5
On peut résoudre maintenant variable par variable, en commençant par x3 et en remontant.

x3 = 2 , x2 = 1 , x1 = −1 .

L’unique solution du système (16) est donc le triplet (−1, 1, 2). On vérifie en reportant
cette solution dans le sytème original.
Exemple 13. Résoudre le système

 2x1 + x2 − x3 = 1 ,
3x1 − x3 =1, (17)
−6x1 + 2x3 = −2 .

On voit ici que les deux dernières équations sont proportionnelles, i.e. L3 = −2L2 . On
peut donc simplifier le système (17) en supprimant L3 , ce qui donne

2x1 + x2 − x3 = 1 ,
3x1 − x3 =1.

La seconde équation donne x3 = 3x1 − 1, et en retranchant la seconde ligne à la première,


on obtient x1 = x2 . Le système (17) admet donc une infinité de solutions qui sont des
triplets de la forme (x, x, 3x − 1).
Exemple 14. Résoudre le système

 2x1 + 3x2 + x3 = 1 ,
2x1 + x2 + x3 = 2 , (18)
2x1 + 2x2 + x3 = 3 .

On élimine x1 des deuxième et troisième équations.



 2x1 + 3x2 + x3 =1,
−2x2 =1, L2 → L2 − L1 .
−x2 =2, L3 → L3 − L1 .

Les deux dernières équations sont incompatibles et le système (18) n’a aucune solution.

1.2.3 Cas général

Cette méthode se généralise itérativement à un système de taille quelconque, du type



 a1,1 x1 + · · · + a1,n xn = b1 ,

.. .. ..
 . . .
ak,1 x1 + · · · + ak,n xn = bk .

où k ≤ n sont des entiers, ai,j , 1 ≤ i ≤ k, 1 ≤ j ≤ n et bi , 1 ≤ i ≤ k sont des nombres


réels non tous nuls et x1 , . . . , xn sont les inconnues.

6
A chaque étape, on essaie d’éliminer une inconnue. Le coefficient non nul utilisé pour
éliminer la variable xi dans les lignes Lj , j > i, est appelé le pivot. La méthode est itérative
et se poursuit tant qu’un pivot est disponible. Lorsqu’il n’y a plus de pivot, le système est
résolu, avec aucune solution, une unique solution ou une infinité de solutions.
Lorsque le second membre est nul, le système est dit homogène, et il admet au moins le
vecteur nul comme solution. L’ensemble des solutions est un sous-espace vectoriel de Rn .

1.3 Combinaisons linéaires, familles génératrices


Définition 15 (Combinaison linéaire). Soit E un espace vectoriel et soit x1 , . . . , xn des
vecteurs de E. La combinaison linéaire des vecteurs x1 , . . . , xn de coefficients λ1 , . . . , λn ∈
R est le vecteur

λ1 · x1 + · · · + λn · xn .

Exemple 16. Soit dans R3 les vecteurs


     
2 2 1
a = 2 , b = −1 , c = 3 .
1 −1 1

Alors pour tous x, y, z ∈ R3 , on a


 
2x + 2y + z
x · a + y · b + z · c = 2x − y + 3z  .
x−y+z

Proposition 17. Soit F un sous-espace vectoriel d’un espace vectoriel E. Toute combi-
naison linéaire de vecteurs de F est un vecteur de F .

Définition 18 (Sous-espace engendré par une famille de vecteurs). Soient E un es-


pace vectoriel. Le sous-espace vectoriel engendré par des vecteurs a1 , . . . , an de E, noté
Vect(a1 , . . . , an ) est l’ensemble de toutes les combinaisons linéaires possibles de ces vec-
teurs :

Vect(a1 , . . . , an ) = {λ1 · a1 + · · · + λn · an | λ1 , . . . , λn ∈ R} .

Le fait que le sous-espace engendré est bien un sous-espace vectoriel doit être prouvé.

Proposition 19. Soient E un espace vectoriel et a1 , . . . , an des vecteurs de E. Alors


Vect(a1 , . . . , an ) est un sous-espace vectoriel de E.

Définition 20 (Famille génératrice). Soit E un espace vectoriel et F un sous-espace de


E (éventuellement E lui même). On dit que les vecteurs a1 , · · · , an engendrent F , ou que
la famille {a1 , · · · , an } est génératrice pour F si F = vect(a1 , · · · , an ).

7
Exemple 21. Dans Rn , pour i = 1, . . . , n, notons ei le vecteur défini par
 
0
 .. 
.
 
0
 
ei =  1 i-ème ligne

0
 
 .. 
.
0

La famille {e1 , . . . , en } engendre Rn . En effet, tout n-uplet x peut s’écrire

x = x1 · e1 + · · · xn xn .

Remarque 22. Un sous-espace vectoriel possède une infinité de familles génératrices, qui
peuvent être formée d’un nombre arbitrairement grand de vecteurs. Notamment, si F est
une famille génératrice pour un sous-espace vectoriel F , alors toute famille de vecteurs de
F contenant la famille F est encore génératrice pour F .

1.4 Familles libres, familles liées


Définition 23 (Famille liée). Soit E un espace vectoriel et x1 , . . . , xk des vecteurs de E.
On dit que la famille {x1 , . . . , xk } est liée ou que les vecteurs x1 , . . . , xk sont linéairement
dépendants si il existe une combinaison linéaire nulle de ces vecteurs dont les coefficients
ne soient pas tous nuls. Soit


∃(λ1 , . . . , λk ) ∈ Rk \ {0} , λ1 · x1 + · · · + λk · xk = 0 .

Exemple 24. Dans R2 , les vecteurs


     
1 1 1
x1 = , x2 = , x3 =
0 −1 2


sont liés car 3 · x1 − 2 · x2 − x3 = 0 .

Proposition 25. Une famille de vecteurs est automatiquement liée dès qu’elle vérifie au
moins un des critères suivants :
(i) elle contient le vecteur nul ;
(ii) elle contient de fois le même vecteur ;
(iii) si dans Rn elle contient strictement plus que n vecteurs.

Définition 26 (Famille libre). Une famille de vecteurs est dite libre si elle n’est pas liée.
Les vecteurs composant la famille sont alors dits linéairement indépendants.

8
Caractérisation Des vecteurs x1 , · · · , xk d’un espace vectoriel E sont linéairement indé-
pendants si et seulement si


∀λ1 , . . . , λn ∈ R , λ1 · x1 + · · · , λn · xn = 0 ⇒ λ1 = · · · = λn = 0 . (19)

Exemple 27. Dans R3 , les vecteurs


     
1 0 1
u1 = 2 , u2 =  1  , u3 = −1
0 −1 1


sont libres. En effet, soit a, b, c des réels. Si a · u1 + b · u2 + c · u3 = 0 , alors

 a+c=0
2a + b − c = 0 ,
−b + c = 0

d’où l’on déduit aisément que a = b = c = 0.


Remarque 28. En dehors des cas triviaux, prouver qu’une famille de vecteurs est libre ou
liée revient à résoudre un système linéaire d’équations homogènes. Si l’unique solution est
0, la famille est liée. S’il existe des solutions non nulles, la famille est liée.
Exemple 29. Montrons que les vecteurs ei , i = 1, . . . , n de Rn définis dans l’exemple 21
sont linéairement indépendants. Soient λ1 , . . . , λn des réels. On a
 
λ1
 .. 
λ1 · x1 + · · · , λn · xn =  .  ,
λn

donc la propriété (19) est vérifiée.

1.5 Bases, dimension


Définition 30. Soit E un espace vectoriel. Une famille de vecteurs de E est une base si
et seulement si elle est à la fois libre et génératrice.


Théorème 31. Tout espace vectoriel non réduit au singleton { 0 } admet une base. Toutes
les bases d’un espace vectoriel ont le même cardinal. Ce cardinal est appelé la dimension
de l’espace vectoriel.

Notation On note dim(E) la dimension de l’espace vectoriel E. Par convention, la di-




mension de l’espace vectoriel réduit au singleton { 0 } est 0.
Exemple 32. Les vecteurs définis dans l’exemple 21 forment une base de Rn . L’espace
vectoriel Rn est donc de dimension n.

9
Exemple 33. Un espace vectoriel de dimension 1 est appelé droite vectoriel. Tout vecteur
non nul de l’espace forme une base.

Corollaire 34. Soit E un espace de dimension n. Une famille libre a au plus n éléments.
Une famille génératrice a au moins n éléments. Une famille libre à n élements est une
base. Une famille génératrice à n éléments est une base.

Ce résultat est important. Pour prouver qu’une famille de vecteurs d’un espace de
dimension n est une base, il suffit de vérifier qu’elle a n éléments et qu’elle est libre, ce
qui est généralement plus facile que de montrer qu’elle est génératrice.
Exemple 35. Soit dans R3 u1 , u2 et u3 les vecteurs définis dans l’exemple 27. Ils forment
une famille libre à trois éléments, et donc une base de R3 .

Théorème 36. Soit E un espace vectoriel et soit (e1 , . . . , en ) une vase de E. Pour tout
vecteur x ∈ E, il existe un unique n-uplet de réels λ1 , . . . , λn tel que

x = λ 1 · e1 + · · · + λ n · en .

Ce théorème signifie que tout vecteur d’un espace vectoriel s’écrit de façon unique
comme combinaison linéaire des vecteurs d’une base. Ces coefficients sont appelés les
coordonnées ou composantes du vecteur dans la base considérée. Etant donnés une base
d’un espace vectoriel et un vecteur, déterminer les coordonnées du vecteur dans la base
revient à résoudre un système d’équations linéaires dont on sait a priori qu’il admet une
unique solution.
Exemple 37. Considérons à nouveau les vecteurs définis dans l’exemple 27. On a vu qu’ils
forment une base, donc tout autre vecteur de R3 est une combinaison linéaire de ces trois
vecteurs. Soit x ∈ R3 . Cherchons ses coordonnées a, b, c dans la base u1 , u2 , u3 . Pour ceci,
on doit résoudre le système

 a + c = x1 ,
2a + b − c = x2 ,
−b + c = x3 .

Par la méthode du pivot, ou par une méthode élémentaire d’élimination, on obtient :

a = (x2 + x3 )/2 , b = x1 − x2 /2 − 3x3 /2 , c = x1 − x2 /2 − x3 /2 .

Par exemple, si x est le triplet (1, 2, 4), on a x = 3 · u1 − 6 · u2 − 2 · u3 .

1.6 Caractérisation des sous-espaces vectoriels


Un sous-espace vectoriel étant en soi un espace vectoriel, il admet aussi des bases et
une dimension.

10
Théorème 38. Soit E un espace vectoriel, F un sous-espace de E. On a alors dim(F ) ≤
dim(E) et l’égalité a lieu si et seulement si F = E. De plus si dim(F ) = k, dim(E) = n,
avec 0 < k < n, et si (e1 , · · · , ek ) est une base de F , alors il existe des vecteurs ek+1 , · · · , en
tels que (e1 , · · · , en ) soit une base de E.

Remarque 39. La relation entre la dimension d’un sous-espace et l’espace E lui-même


s’étend à deux sous-espaces. Si F et G sont deux sous-espaces tels que F ⊂ G, alors
dim(F ) ≤ dim(G) et l’égalité a lieu si et seulement si F = G. En particulier, si E est
égal à R, ou plus généralement si E est un espace vectoriel de dimension 1, ses seuls


sous-espaces sont { 0 } et E lui-même.
Nous allons maintenant caractériser les sous-espaces vectoriels de R2 et R3 .

1.6.1 Sous-espaces vectoriels de R2

L’espace R2 étant de dimension 2, ses seuls sous-espaces propres sont de dimension 1.


Soit D un sous-espace de dimension 1 et u un vecteur non nul de D. Un vecteur x est
donc colinéaire à u : il existe donc un réel λ tel que x = λ · u, i.e. x1 = λu1 et x2 = λu2 .
Le couple (x1 , x2 ) vérifie donc

u2 x1 − u1 x2 = 0 . (20)

Une droite vectorielle de R2 est donc caractérisée soit par un vecteur directeur, soit par
une équation du type (20).

1.6.2 Sous-espaces vectoriels de R3

Les sous-espaces propres de R3 (ou d’un espace vectoriel de dimension 3) sont de


dimension 1 ou 2.
Les droites vectorielles sont toujours caractérisées par un vecteur de base non-nul,
mais maintenant par un système de deux équations linéaires. Soit par exemple la droite
D engendrée par le vecteur u. Un vecteur x de D est colinéaire à u, donc il existe λ ∈ R
tel que x = λ · u, i.e. x1 = λu1 , x2 = λu2 et x3 = λu3 . La droite D est donc l’ensemble
des triplets (x1 , x2 , x3 ) qui vérifient

u2 x1 − u1 x2 = 0 ,
u3 x2 − u2 x3 = 0 .

Exemple 40. La droite engendrée dans R3 par le triplet (1, 2, 3) est caractérisée par le
système d’équations

2x − y = 0 ,
3y − 2z = 0 .

11
Exemple 41. Le sous-espace vectoriel de R3 caractérisé par le système d’équations

2x − y = 0 ,
y − 2z = 0 .

est une droite engendrée par le triplet (1, 2, 1).


Les sous-espaces de dimension 2 (plans vectoriels) de R3 sont engendrés par deux
vecteurs linéairement indépendants et caractérisés par une seule équation linéaire.
Exemple 42. Trouvons l’équation du plan vectoriel P engendré dans R3 par les vecteurs
   
1 −1
u = 2 , v =  1  .
3 1

On vérifie tout d’abord que les vecteurs sont linéairement indépendants. Si a · u + bv = 0,


alors

a − b = 2a + b = 3a + b = 0

ce qui implique clairement que a = b = 0. Soit x un vecteur de P . Il existe des réels a et


b tels que x = a · u + bv, donc

a − b = x1 ,
2a + b = x2 ,
3a + b = x3 .

On obtient aisément a = (x1 + x2 )/3 et b = −x1 − x2 + x3 , et en reportant par exemple


dans la première équation, on trouve une équation caractérisant le plan P :

x1 + 4x2 − 3x3 = 0 .

Proposition 43. Soit E un espace vectoriel de dimension 3 et P et Q deux sous-espaces


de E de dimension 2. Alors soit P = Q, soit P ∩ Q est un sous-espace de dimension 1,
i.e. une droite vectorielle.

Exemple 44. Soient P et Q les plans de R3 d’équations respectives 3x + 2y − 3z = 0 et


−3x+y +2z = 0. Alors P ∩Q est une droite vectorielle dont un vecteur de base est (7, 3, 9).

2 Matrices
Définition 45. Soit m et n deux entiers non nuls. Une matrice réelle A de taille m × n
est un tableau de nombres réels à m lignes et n colonnes, dont les éléments sont notés ai,j ,

12
1 ≤ i ≤ m, 1 ≤ j ≤ n ; i est l’indice de ligne et j est l’indice de colonne. Une matrice A
d’éléments ai,j est représentée sous la forme
 
a1,1 · · · a1,j ··· a1,n
 .. .. .. 
 . . . 
 
A =  ai,1 · · · ai,j
 ··· ai,n 

 .. .. 
 . . 
am,1 · · · am,j ··· am,n
La longueur d’une ligne est égale au nombre de colonnes m et la hauteur d’une colonne
est égale au nombre de lignes n. Si m = 1 la matrice est appelée matrice ou vecteur ligne ;
si n = 1 la matrice est appelée matrice ou vecteur colonne.
La matrice dont tous les éléments sont nuls est appelée matrice nulle et notée 0 quelle
que soit sa dimension.

Matrices carrées
Définition 46. Une matrice A de taille n × n (ou simplement de taille n) est dite matrice
carrée. Ses éléments dont l’indice de ligne est égal à l’indice de colonne sont appelés
éléments diagonaux.

Par convention, on identifiera une matrice carrée de taille 1 (a) et son unique élément a.
Définition 47 (Matrice diagonale). Une matrice carrée est dite diagonale si tous ses
éléments non diagonaux sont nuls, i.e. si A = (ai,j )1≤i,j≤n , alors A est diagonale si et
seulement si ai,j = 0 si i 6= j.

Par exemple, la matrice A est diagonale mais pas la matrice B.


   
1 0 0 0 0 4
A = 0 3 0  , B = 0 6 0  ,
0 0 0 4 0 0
Définition 48 (Matrice identité). La matrice identité de taille n, notée In est la matrice
diagonale dont tous les éléments diagonaux sont égaux à 1.
 
1 ··· 0
 
  1 0 0
1 0
I2 = , I3 = 0 1 0 , In =  ... .. .. 

0 1 . .
0 0 1 0 ··· 1

2.1 Opérations sur les matrices


Multiplication par un scalaire Soit λ ∈ R et A une matrice de taille m×n d’éléments
ai,j , 1 ≤ i ≤ m, 1 ≤ j ≤ n. La matrice λA est la matrice de taille m × n d’éléments λai,j ,
1 ≤ i ≤ m, 1 ≤ j ≤ n.

13
Par exemple,
   
1 2 2 4
A = 3 −4 , 2A = 6 −8 ;
2 0 4 0

et pour toute matrice A, on a 0A = 0.

Addition des matrices Soit A et B deux matrices de même taille m × n, d’éléments


respectifs ai,j et bi,j , 1 ≤ i ≤ m, 1 ≤ j ≤ n. La somme des matrices A et B, notée A+B est
la matrice de même taille m × n, dont les éléments sont ai,j + bi,j , 1 ≤ i ≤ m, 1 ≤ j ≤ n.
On peut évidemment additionner un nombre quelconque de matrices de même taille
selon la même règle.
Soit par exemple
     
1 2 −3 0 1 2
A = 3 −4 , B =  1 −2 , C = 0 −1 ;
2 0 −3 6 5 −4

alors
   
1−3+1 2+0+2 −1 4
A + B + C = 3 + 1 + 0 −4 − 2 − 1 =  1 −2 .
2−3+5 0+6−4 0 2

Remarquons aussi que additionner plusieurs fois une matrice avec elle même revient à la
multiplier par un entier, ce qui est bien ce qu’on attend : pour toute matrice A :

|A + ·{z
· · + A} = nA .
n fois

Multiplication des matrices Soit A et B deux matrices. Le produit AB est possible


si le nombre de colonnes de A est égal au nombre de lignes de B. Le produit s’effectue
alors “ligne par colonne”. Plus précisément, soit A une matrice de taille m × n d’éléments
ai,k , 1 ≤ i ≤ m, 1 ≤ k ≤ n et B une matrice de taille n × p, d’éléments bk,j , 1 ≤ k ≤ n,
1 ≤ j ≤ p. Le produit AB est une matrice de taille m × p, d’éléments ci,j , 1 ≤ i ≤ m,
1 ≤ j ≤ p définis par
n
X
ci,j = ai,k bk,j .
k=1

L’élément ci,j est le produit terme à terme de la ligne i de A et de la colonne j de B.

14
Soit par exemple
   
1 2 −3 0 2  
1 2 −1
A = 3 −4 , B =  1 −2 0 , C= .
0 −1 2
2 0 −3 6 1

On peut effectuer les produits BA, CB, AC et CA ; les produits AB et BC ne sont pas
effectuables. Calculons AC en détaillant les opérations :
 
1 2  
1 2 −1
AC = 3 −4
0 −1 2
2 0
 
1×1+2×0 1 × 2 + 2 × (−1) 1 × (−1) + 2 × 2
= 3 × 1 + (−4) × 0 3 × 2 + (−4) × (−1) 3 × (−1) + (−4) × 2
2×1+0×0 2 × 2 + 0 × (−1) 2 × (−1) + 0 × 2
 
1 0 3
= 3 10 −11 ,

2 4 −2

Calculons aussi CA.


 
  1 2  
1 2 −1  5 −6
CA = 3 −4 =
 .
0 −1 2 1 4
2 0

On voit donc que le produit de deux matrices n’est pas toujours possible ; et lorsque l’on
peut effectuer le produit dans les deux sens, les deux matrices obtenues ne sont pas toujours
de la même taille, et même si elles le sont, elles ne sont pas toujours égales. On conclut
que le produit de matrices n’est pas commutatif.
Exemple 49. Soit A et B deux matrices carrées définies par
   
1 2 −2 1
A= , B= .
−1 1 1 1

On peut effectuer les produits AB et BA, on obtient deux nouvelles matrices carrées de
taille 2 × 2, mais elles ne sont pas égales. En effet, on calcule :
   
0 3 −3 3
AB = , BA = .
3 0 0 3

Propriétés du produit des matrices


(i) Le produit de matrices est associatif. Soit A, B, C trois matrices telles que les produits
AB et (AB)C soient possibles. Alors les produits BC et A(BC) sont possibles et
(AB)C = A(BC). On note donc cette valeur commune ABC.

15
(ii) Le produit est distributif par rapport à l’addition. Soit A et B deux matrices de même
taille et C telle que les produits AC et BC soient possibles ; alors (A + B)C = AC +
BC. De même, si les produits CA et CB sont possibles, alors C(A + B) = CA + CB.
(iii) La matrice identité est l’élément neutre pour la multiplication. Soit A une matrice
de taille m × n. Alors

AIn = A , Im A = A .

Produit de matrices et de vecteurs On peut faire le produit d’une matrice et d’un


vecteur, ou de deux vecteurs pour obtenir, selon l’ordre des produits, un vecteur ou une
matrice ou un scalaire.
(i) Si A est une matrice de taile m × n et x est un vecteur colonne à n éléments, Ax est
un vecteur colonne à m éléments.
(ii) Si A est une matrice de taile m × n et y est un vecteur ligne à m éléments, yA est
un vecteur ligne à n éléments.
(iii) Si x est un vecteur colonne à n éléments et y est un vecteur ligne à m éléments alors
xy est une matrice de taille n × m.
(iv) Si x est un vecteur colonne et y est un vecteur ligne et ont le même nombre d’éléments,
alors yx est un scalaire.
(v) Si A est une matrice de taile m × n, x est un vecteur colonne à n éléments, et y est
un vecteur ligne à m éléments, alors yAx est un scalaire.
Exemple 50. Soit
 
1 2  
−3 
A = 3 −4 , x= , y = 1 2 −1 .
2
2 0

Alors
 
1  
 −3 −6 3
Ax = −17 , yA = 5 −6 , xy = , yAx = −27 .
2 4 −2
−6

Le produit yx n’est pas possible.

Ecriture matricielle d’un système d’équations linéaires Considérons un système


de m équations linéaires à n inconnues :

 a1,1 x1 + · · · + a1,n xn = b1 ,

.. .. (21)
 . .
am,1 x1 + · · · + am,n xn = bm .

16
Posons
     
a1,1 ··· a1,n x1 b1
 .. ..  ,
A= . x =  ...  , b =  ...  .
   
. 
am,1 · · · am,n xn bm
Le système (21) s’écrit matriciellement
Ax = b .

2.2 Matrices carrées inversibles


Définition 51. Soit A une matrice carrée de taille n. Elle est dite inversible s’il existe
une matrice B de même taille telle que
AB = BA = In .
La matrice B est alors appelée inverse de A et notée A−1 .
De la définition, il ressort immédiatement que la matrice In est inversible, puisque
In In = In . Si n = 1, une matrice de taille 1 est de la forme (a), et est inversible si et
seulement si a 6= 0.
Remarque 52. Pour vérifier qu’une matrice B est l’inverse d’une matrice A, il suffit en fait
de vérifier soit AB = In , soit BA = In . Chacune de ces deux conditions entraı̂ne l’autre.
Une matrice carrée n’est pas nécessairement inversible. On a la condition nécessaire et
suffisante suivante.
Théorème 53. Soit A une matrice carrée de taille n. Elle est inversible si et seulement
si pour tout b ∈ Rn , le système Ax = b admet une unique solution. La solution est alors
A−1 b.
Remarque 54. Une condition nécessaire et suffisante d’inversibilité est aussi que l’unique
solution du système Ax = 0 est 0. On peut utiliser cette propriété pour montrer que A est
non inversible en exhibant un vecteur x non nul tel que Ax = 0.
Exemple 55. Considérons les matrices suivantes
   
2 −1 −2 4
A= , B= .
1 4 1 −2
A est inversible et l’on peut vérifier par exemple en résolvant le système Ax = b par la
méthode du pivot que son inverse est
 
1 4 1
A−1 = .
9 −1 2
La matrice B n’est pas inversible car
    
2 −2 4 2
B = =0
1 1 −2 1

17
Proposition 56 (Inverse d’un produit). Soit A et B deux matrices inversibles de même
taille. Alors AB est inversible et (AB)−1 = B −1 A−1 .

Démonstration. Posons C = B −1 A−1 . Il suffit de montrer que ABC = In . Par associativité


du produit de matrice et du fait que In est l’élément neutre pour la multiplication des
matrices, on a
ABC = (AB)(B −1 A−1 ) = A(BB −1 )A−1 = AIn A−1 = AA−1 = In .

Par récurrence, on étend cette propriété au produit de n matrices inversibles de même


taille :
−1
(A1 · · · An )−1 = A−1
n · · · A1 .

Méthode pratique d’inversion d’une matrice par la méthode du pivot La


méthode du pivot donne une méthode pratique d’inversion d’une matrice dite méthode
de la matrice témoin. Cette méthode consiste à transformer une matrice en la matrice
identité par les opérations de la méthode du pivot. Simultanément, la matrice identité
est transformée par les mêmes opérations. Si la matrice initiale A peut effectivement être
transformée en l’identité, alors la matrice obtenue par transformation de l’identité est l’in-
verse de A. Si A ne peut être transformée en l’identité, c’est-à-dire qu’après un certain
nombre d’opérations il n’est plus possible de choisir un pivot, c’est que la matrice A n’est
pas inversible.
Exemple 57. Soit A la matrice
 
1 1 0
−1 2 −1 .
0 2 1
Appliquons la méthode. On annule tout d’abord les coefficients sous la diagonale de A, en
reportant les opération sur la matrice identité.
   
1 1 0 1 0 0
L2 → L2 + L1 0 3 −1 1 1 0 ;
0 2 1 0 0 1
   
1 1 0 1 0 0
2 0 3 −1
L3 → L3 − L2  1 1 0 .
3 5
0 0 3 − 3 − 23 1
2

On a déjà obtenu que la matrice est inversible. Sinon, un zéro serait apparu sur la diagonale.
On annule maintenant les autres coefficients en remontant à partir de la dernière ligne.
   
1 1 0 1 0 0
3  3 3 3
L2 → L2 + L3 0 3 0 
5 5 5 ;
5 5 2 2
0 0 3 −3 −3 1

18
4
− 15 − 51
   
1 0 0 5
1 3 3 3
L1 → L1 − L2 0 3 0  
5 5 5
 ;
3
0 0 35 − 32 − 23 1

4
− 15 − 15
   
1 0 0 5
1 1 1
L2 → L2 /3 0 1 0 
5 5 5
 .
L3 → 53 L3 0 0 1 − 52 − 25 3
5
L’inverse de A est donc la matrice
 
4 −1 −1
1
1 1 1 ,
5
−2 −2 3
ce que l’on vérifie aussitôt
    
1 1 0 4 −1 −1 1 0 0
1
−1 2 −1  1 1 1  = 0 0 .
5
0 2 1 −2 −2 3 0 0 1
Exercice 58 (Contrôle continu du 2 avril 2007). Soit les matrices
 
  1 0
1 0 −1
A= , B = 2 1 .
−2 1 0
2 2
a. Calculer AB, (AB)2 et en déduire (AB)−1 sans calculs.
 
−1 −2
AB = , (AB)2 = I2 .
0 1
On en déduit que la matrice AB est inversible et égale à son inverse. (On dit que c’est
une matrice involutive).
b. Expliquer pourquoi l’écriture (AB)−1 = B −1 A−1 n’a pas de sens ici.
Les matrices A et B ne sont pas carrées, donc ne sont pas inversibles.
c. Calculer BA et montrer qu’elle n’est pas inversible.
 
1 0 −1
BA =  0 1 −2 .
−2 2 −2
On peut trouver un vecteur non nul x ∈ R3 tel que BAx = 0, donc BA n’est pas
inversible. On a par exemple
 
1
BA 2 = 0 .
1
Remarque 59. Une autre façon de prouver qu’une matrice n’est pas inversible est de trouver
une combinaison linéaire nulle des lignes ou des colonnes. Dans l’exemple ci-dessus, en
notant L1 , L2 et L3 les lignes de BA, on voit aisément que L3 = 2L2 − 2L1 .

19
2.3 Transposition
Définition 60. Soit A une matrice de taille m × n. La transposée de A, notée t A est la
matrice de taille n × m dont les lignes sont les colonnes de A. Si l’élément à l’intersection
de la i-ème ligne et j-ème colonne de A est ai,j , alors ai,j est l’élément à l’intersection de
la j-ème ligne et de la i-ème colonne de t A.
Exemple 61.
 
1 2  
t 1 3 2
A = 3 −4 , A= .
2 −4 0
2 0

Propriétés
(i) Pour toute matrice A, t (t A) = A.
(ii) Si x est un vecteur colonne, t x est un vecteur ligne.
(iii) Si x est un vecteur ligne, t x est un vecteur colonne.
(iv) Si A et B sont deux matrices de même taille, alors t (A + B) = t A + t B.
(v) Pour toutes matrices A et B telles que le produit AB soit possible, alors le produit
t B t A est possible et t (AB) = t B t A.

(vi) Si A est inversible, alors t A est inversible et (t A)−1 = t (A−1 ).


Définition 62 (Matrice symétrique). Une matrice carrée est dite symétrique si elle est
égale à sa transposée.
Exemple 63. La matrice
 
1 2 a
b 5 c 
3 b −2

est symétrique si a = 3 et b = c = 2
Les matrices diagonales sont symétriques, notamment la matrice identité.

3 Produit scalaire
Définition 64. Soit E un espace vectoriel. Un produit scalaire est une application de
E × E dans R, notée < ·, · > ayant les propriétés suivantes.
(i) Symétrie : ∀x, y ∈ E, < x, y >=< y, x >.
(ii) Bilinéarité : ∀u, v, x, y ∈ E, ∀α, β, λ, µ ∈ R,

< αu + βv, λx + µy >= αλ < u, x > +αµ < u, y > +βλ < v, x > +βµ < v, y > .

20
(iii) Positivité : ∀x ∈ E, < x, x >≥ 0 et < x, x >= 0 si et seulement si x = 0.
La norme associée au produit scalaire est définie pour tout x ∈ E par

kxk = < x, x > .

Exemple 65 (Produit scalaire euclidien). Sur l’espace vectoriel Rn dont les éléments sont
des vecteurs colonnes à n éléments, on définit le produit scalaire euclidien et la norme
euclidienne par

r
Xn Xn
t
< x, y >= x y = t
xi yi , kxk = x x = x2i .
i=1 i=1

Exemple 66. Soit x, y ∈ E et a, b ∈ R. Par définition de la norme et bilinéarité du produit


scalaire, on a

kax + byk2 = a2 kxk2 + 2ab < x, y > +b2 kyk2 . (22)

Proposition 67 (Inégalité de Cauchy-Schwarz). Pour tout x et y dans E, on a

| < x, y > | ≤ kxkkyk .

L’égalité n’a lieu que si x et y sont colinéaires.

Démonstration. Soit x, y ∈ E et soit λ ∈ R. Si y = 0 alors l’inégalité est forcément vérifiée.


On peut donc supposer que y 6= 0. En appliquant la propriété (22), on a

kx + λyk2 = kxk2 + 2λ < x, y > +λ2 kyk2 .

Ce trinôme du second degré en λ est toujours positif, donc son discriminant est négatif ou
nul, i.e.

< x, y >2 −kxk2 kyk2 ≤ 0 .

Le cas d’égalité correspond à l’existence d’une racine double, c’est-à-dire à l’existence d’un
λ0 tel que x + λ0 y = 0.

Proposition 68. La norme associée à un produit scalaire sur un espace vectoriel E admet
les propriétés suivantes :
(i) Positivité : ∀x ∈ E, kxk ≥ 0 et kxk = 0 si et seulement si x = 0.
(ii) Homogénéité : ∀x ∈ E, ∀λ ∈ R, kλxk = |λ|kxk.
(iii) Inégalité triangulaire : ∀x, y ∈ E,

kx + yk ≤ kxk + kyk .

21
Démonstration. Les deux premières propriétés sont des conséquences immédiates de la
définition. Montrons l’inégalité triangulaire. Par la propriété (22), on a

kx + yk2 = kxk2 + 2 < x, y > +kyk2 .

En appliquant l’inégalité de Cauchy-Schwarz, on a donc

kx + yk2 ≤ kxk2 + 2kxkkyk + kyk2 = (kxk + kyk)2 .

Définition 69 (Orthogonalité). Deux vecteurs x et y de E sont dits orthogonaux si leur


produit scalaire est nul.
Définition 70 (Cosinus). Soit x, y ∈ E. On appelle cosinus de x et y la fonction notée
cos(x, y) définie par
(
<x,y>
si x 6= 0 et y 6= 0 ,
cos(x, y) = kxkkyk
1 si x = 0 ou y = 0 .

Proposition 71. Pour tout x, y ∈ E et λ, µ ∈ R, on a


(i) Symétrie : cos(x, y) = cos(y, x) ;
(ii) Homogénéité : cos(λx, µy) = sign(λµ) cos(x, y) ;
(iii) | cos(x, y)| < 1 sauf si x et y sont colinéaires.
Définition 72 (Angle non orienté). On appelle angle non orienté entre deux vecteurs x
et y l’unique réel θ ∈ [0, π] tel que cos(θ) = cos(x, y).

Deux vecteurs sont orthogonaux si et seulement si leur angle non orienté est π/2 et
son colinéaires si et seulement si leur angle est 0 ou π.
Définition 73 (Sous-espaces orthogonaux). Soit F et G deux sous-espaces d’un espace
vectoriel E muni d’un produit scalaire. On dit que F et G sont orthogonaux si tout vecteur
de F est orthogonal à tout vecteur de G, soit

∀x ∈ F , ∀y ∈ G , < x, y >= 0 .

Proposition 74. Soit F un sous-espace d’un espace vectoriel E muni d’un produit sca-
laire. Il existe un unique sous-espace G, orthogonal à F et tel que dim F + dim G = dim E.
Le sous-espace G est alors appelé l’orthogonal de F , et noté F ⊥ .
Exemple 75. Dans R3 , muni du produit scalaire euclidien, l’orthogonal d’un plan (sous-
espace de dimension 2) est une droite, et réciproquement. Soit P le plan engendré par les
vecteurs
   
1 1
x = −1 , y =
   1 .
2 −1

22
Déterminons la droite D orthogonale à P . Tout vecteur z de D doit vérifier les deux
conditions < x, z >= 0 et < y, z >= 0, soit, en notant z1 , z2 , z3 les coordonnées de z :

z1 − z2 + 2z3 = 0 ,
z1 + z2 − z3 = 0 .

Ces équations sont les équations cartésiennes de la droite D. Un vecteur directeur de D a


pour coordonnées 1, −3, −2 et tous les vecteurs de D sont proportionnels à celui-ci.

4 Projection orthogonale
Dans cette section, on va traiter le problème de la projection orthogonale, tout d’abord
sur une droite puis dans un cadre général.

4.1 Projection orthogonale sur une droite


Soit x un vecteur non nul de E et soit D la droite vectorielle engendrée par x, i.e.
D = {λx | λ ∈ R}. Soit y ∈ E. On veut projeter le vecteur y orthogonalement sur la droite
D. On note ΠD (y) la projection orthogonale de y sur D. Elle est caractérisée par les deux
propriétés suivantes :
(i) ΠD (y) ∈ D, i.e. ΠD (y) est colinéaire à x
(ii) y − ΠD (y) est orthogonal à x.
On en déduit la solution :
< x, y >
ΠD (y) = x. (23)
kxk2

Démonstration. Il faut vérifier les deux conditions caractéristiques. La première l’est par
construction. Pour vérifier l’orthogonalité de y − ΠD (y) ainsi défini et x, on calcule le
produit scalaire :
< x, y > < x, y >
<y− 2
x, x >=< x, y > − < x, x >= 0 ,
kxk kxk2

car par définition, kxk2 =< x, x >.

Exemple 76. Dans R3 , on pose x = t (1 , −1 , 2) et y = t (1, 1, −1). La projection de y sur


x est αx, avec

< x, y > t xy −2 1
α= =t = =− .
< x, x > xx 6 3

23
y 6
y − ΠD (y)

- D
ΠD (y)
Fig. 2 – La projection orthogonale de y sur D

Remarque 77. Si x et y sont orthogonaux, alors la projection orthogonale de y sur la droite


engendrée par x est le vecteur nul.
On va maintenant voir la projection orthogonale de y sur x comme le vecteur colinéaire
à x le plus proche de y.
Proposition 78. Soit x un vecteur non nul de E et soit y ∈ E. La projection orthogo-
nale de y sur la droite D engendrée par x est l’unique vecteur colinéaire à x réalisant le
minimum de ky − zk pour z colinéaire à x, i.e.
ΠD (y) = arg min ky − zk .
z∈D

Démonstration. Posons α =< x, y > / < x, x >. Soit z ∈ D. En appliquant la pro-


priété (22), on a
ky − zk2 = ky − αx + αx − zk2 = ky − αxk2 − 2 < y − αx, αx − z > +kαx − zk2
= ky − αxk2 + kαx − zk2
car y − αx est orthogonal à z − αx (puisque z est aussi colinéaire à x). Le membre de
droite est somme de deux carrés dont le premier ky − αxk est fixe. Cette somme donc est
minimale lorsque le second est nul, c’est-à-dire lorsque z = αx.

Autre démonstration. On cherche le réel α qui minimise ky−αxk, c’est-à-dire qui minimise
ky − αxk2 . Par la propriété (22), on a
ky − αxk2 = kyk2 − 2α < x, y > +α2 kxk2 .
On note f (α) cette fonction. On a f 0 (α) = −2 < x, y > +2αkxk2 . f 0 s’annule donc en
α =< x, y > / < x, x > qui est donc un extremum. La dérivée seconde est positive, c’est
donc un minimum.

4.2 Cas général


Soit A une matrice de taille m × n. Soit A1 , . . . , An ses colonnes. Ce sont des vecteurs
de Rm . Par exemple, si
 
1 2
A = 3 −4 ,
2 0

24
ses colonnes sont
   
1 2
A1 = 3 ,
 A2 = −4
2 0
On cherche à déterminer la projection orthogonale d’un vecteur y sur le sous espace vec-
toriel de Rm engendré par A1 , · · · , An . Cette projection, notée ΠA est caractérisée par les
propriétés
(i) ΠA (y) est une combinaison linéaire des colonnes de A ;
(ii) y − ΠA (y) est orthogonal aux colonnes de A.
Théorème 79. Soit A une matrice de taille m × n et soit y ∈ Rm . Si la matrice t AA est
inversible, alors la projection orthogonale de y sur le sous-espace de Rm engendré par les
colonnes de A est

A (t AA)−1 t A y .

Remarque 80. La matrice t AA est de taille m × m. Elle n’est pas toujours inversible. On
admettra qu’une condition nécessaire et suffisante est que les n colonnes de A, qui sont de
taille m, soient des vecteurs linéairement indépendants de Rm . Une condition nécessaire
(mais non suffisante) est donc que m ≥ n. En effet, n vecteurs d’un espace vectoriel de
dimension m ne peuvent être linéairement indépendants que si m ≥ n.
Remarque 81. Vérifions que les produits de matrices ci-dessus sont licites :
– t AA est une matrice de taille n × n, donc son inverse aussi ;
– A (t AA)−1 est donc de taille m × n ;
– A (t AA)−1 t A est donc de taille m × m, et on peut donc l’appliquer au vecteur y
de Rm .

Démonstration. Il faut prouver les deux propriétés caractéristique de la projection ortho-


gonale.
(i) Le produit (t AA)−1 t A y est un vecteur ligne de taille n. Notons le (b1 , . . . , bn ). On
peut alors écrire le vecteur A(t AA)−1 t A y de la façon suivante
n
X
A(t AA)−1 t A y = b i Ai .
i=1

C’est-à-dire que la propriété caractéristique (i) est vérifiée.


(ii) Notons w = A(t AA)−1 t A y. Soit u la matrice ligne de taille n dont les éléments sont
les produits scalaires < y − w, Ai >. On veut montrer que chacun de ces produits
scalaires est nul, c’est-à-dire que u est le vecteur nul. Or

u = t A y − A(t AA)−1 t A y = t A y − (t A A) (t AA)−1 t A y = t A y − t A y = 0 .




25
4.3 Moindres carrés
Nous allons maintenant étudier le problème des moindres carrés dans le cas général.
Soit comme précédemment A une matrice de taille m × n et y ∈ Rm . On cherche la
combinaison linéaire des n colonnes de A qui approche le mieux y au sens des moindres
carrés, c’est-à-dire que l’on cherche z ∈ Rn tel que

z = arg minn ky − Axk


x∈R

Théorème 82. Si la matrice t AA est inversible, alors la solution du problème des moin-
dres carrés est (t AA)−1 t A y.

Démonstration. Notons z = (t AA)−1 t A y. Alors ΠA (y) = Az. Soit x ∈ Rn . Par définition


de la projection orthogonale, y − Az est orthogonal à Ax pour tout x ∈ R, i.e. < y −
Az, Ax >= 0 et donc bien évidemment < y − Az, Az >= 0. On a donc, pour tout x ∈ R,

ky − Axk2 = ky − Az − (Ax − Az)k2


= ky − Azk2 − 2 < y − Az, Ax − Az > +k(Ax − Az)k2
= ky − Azk2 + k(Ax − Az)k2 ≥ ky − Azk2 .

Le minimum est donc bien atteint en z.

Remarque 83. Si m = n et si la matrice A est inversible, alors on a (t AA)−1 t A = A−1 .


Pour cette raison, la matrice (t AA)−1 t A est nommée lorsque m > n et lorsqu’elle est
définie, la pseudo-inverse de A.
Exemple 84. Considérons
   
1 1 1
A = 2 −1 , y = −1 .
3 1 2

On calcule
     
t 14 2 t −1 1 3 −2 t 5
AA = , ( AA) = , Ay = ,
2 3 38 −2 14 4
 
7/38
(t AA)−1 t Ay =
46/38

4.4 Systèmes surdéterminés d’équations linéaires


La méthode des moindres carrés peut-être considérée comme une résolution approchée
d’un système d’équations linéaires lorsque le nombre d’équations est supérieur au nombre
d’inconnues (surdétermination). En général, il n’y a alors pas de solution. On doit alors
se contenter d’une solution approchée. La méthode des moindres carrés en fournit une.

26
Plus précisément si A est une matrice de taille m × n telle que t AA soit inversible, et b un
vecteur de Rm , on appelle solution au sens des moindres carrés de l’équation

Ax = b

l’unique vecteur z de Rn réalisant le minimum de kAz − bk, dont on vient de montrer qu’il
est égal à (t AA)−1 t A b.
Exemple 85 (Examen de juin 2007). Résoudre au sens des moindres carrés le système
suivant :


 x−y+z = −1 ,
x+y−z = 1,


 −x + y − z = 0,
x+y−z = 1.

Soient A la matrice et a le vecteur définis par


  
1 −1 1 −1
1 1 −1 1
A= −1 1 −1 ,
 a=
0 .

1 1 1 1

On cherche à résoudre au sens des moindres carrés l’équation Au = b où u est un vecteur
de R3 . On sait que la solution est donnée par

u = (t AA)−1 t Aa .

On pose B = t AA et b = t Aa. On cherche à résoudre le système Bu = b. Calculons tout


d’abord B et b.
 
  1 −1 1  
1 1 −1 1  4 0 2
1 1 −1 
B = −1 1 1 1  −1 1 −1 = 0 4 −2 ,

1 −1 −1 1 2 −2 4
1 1 1
 
  −1  
1 1 −1 1   1
1
b = −1 1 1 1  0
= 3 
1 −1 −1 1 −1
1

On doit donc résoudre le système



 4x + 2z = 1,
4y − 2z = 3,
2x − 2y + 4z = −1 .

Par la méthode du pivot, on obtient aisément la solution u = t (1/4, 3/4, 0).

27
4.5 La matrice de projection orthogonale
Soit toujours A une matrice de taille m × n telle que t AA soit inversible. On a vu que
la matrice de projection orthogonale sur le sous-espace vectoriel de Rm engendré par les
n colonnes de A est la matrice P définie par

P = A (t AA)−1 t A .

Propriétés de P
(i) P est une matrice carrée de taille m × m
(ii) P est symétrique : t P = P .
(iii) P est idempotente : P 2 = P .
(iv) Si y appartient au sous-espace vectoriel de Rm engendré par les n colonnes de A,
alors P y = y.
(v) Si y est orthogonal au sous-espace vectoriel de Rm engendré par les n colonnes de A,
alors P y = 0.
On peut aussi montrer que toute matrice symétrique idempotente est une matrice de
projection orthogonale.
Exemple 86. Calculons la matrice de projection orthogonale correspondant à la matrice A
de l’exemple 85. On a déjà calculé t AA. On l’inverse par la méthode de la matrice témoin :
 
3 −1 −2
1
(t AA)−1 = −1 3 2 .
8
−2 2 4

On obtient donc la matrice de projection orthogonale P .


 
1 −1 1   
3 −1 −2 1 1 −1 1
t −1t 1 1 1 −1
P = A( AA) A =    −1 3 2  −1 1 1 1
8 −1 1 −1
−2 2 4 1 −1 −1 1
1 1 1
 
1 −1 1  
2 4 −2 0
1 1 1 −1  −2 0
=  2 4
8 −1 1 −1
0 −4 0 4
1 1 1
 
1 0 −1 0
1  0 2 0 0
=   .
2 −1 0 1 0
0 0 0 2

On vérifie que la matrice obtenue satisfait à P 2 = P .

28
Exemple 87 (Examen dee Juin 2007. Extrait).
Soit le plan E = {(x, y, z) ∈ R3 | x + y + z) = 0}.
(i) Donner une base de E.
Une base de E est par exemple {t (1, −1, 0), t (1, 0, −1)}
(ii) Ecrire la matrice P de projection orthogonale sur E.
Soit A la matrice de taille 3 × 2 dont les colonnes sont les deux vecteurs de la base
de E ci-dessus. On sait que P = A(t AA)−1 t A. Calculons tout d’abord t AA et son
inverse.
   
2 1 1 2 −1
t
AA = , (t AA)−1 = .
1 2 3 −1 2
On obtient enfin
 
1 1   
1 2 −1 1 −1 0
P = −1 0
3 −1 2 1 0 −1
0 1
 
2 −1 −1
1
= −1 2 −1 .
3
−1 −1 2
Il est important de remarquer que la matrice obtenue ne dépend pas de la base choisie. Un
choix astucieux aurait consisté à prendre deux vecteurs de E orthogonaux. La matrice t AA
aurait alors été diagonale, et donc d’inversion immédiate. Si l’on prend pour vecteurs de
base t (1, 0, −1) et t (1, −2, 1), on obtient
 
1 1    
2 0 1/2 0
A =  0 −2 , t AA = , (t AA)−1 = ,
0 6 0 1/6
−1 1
   
1 1    2 −1 −1
1/2 0 1 0 −1 1
P =  0 −2 = −1 2 −1 .
0 1/6 1 −2 1 3
−1 1 −1 −1 2

4.6 La droite des moindres carrés


En correspondance avec des points déterminés de la droite réelle x1 , . . . , xn (que l’on
peut supposer sans perte de généralité ordonnés) on fait des observations y1 , · · · , yn . Par
exemple, on peut observer une certaine grandeur (prix, température, poids, etc.) en des
instants régulièrement espacés 1, 2, . . . , n (exprimés en seconde, ou heures, jours, semaines),
ou irrégulièrement espacés. Les xi peuvent être des tailles et les yi des poids.
On cherche (à des fins de prédiction par exemple) à trouver une relation linéaire entre
les xi et les yi , c’est-à-dire qu’on cherche à placer tous les points (xi , yi ) sur une même
droite. On cherche donc deux nombres réels a et b tels que
∀i = 1, . . . , n , yi = a + bxi .

29
Bien entendu, il est improbable que tous ces points soient effectivement sur la même
droite. On cherche donc à résoudre ce système d’équations de façon approchée, au sens
des moindres carrés. On écrit ce système vectoriellement. En posant
       
1 x1 x1 y1 1  
 .. ..   ..   ..   ..  a
A = . .  , x =  .  , y =  .  , 1 = . , u = ,
b
1 xn xn yn 1
on cherche à résoudre au sens des moindres carrés l’équation
y = a1 + bx ,
ou encore
Au = y ,
c’est-à-dire que l’on cherche le vecteur u ∈ R2 qui minimise
kAu − yk2 .
La solution est donc donnée par u = (t AA)−1t Ay, si la matrice t AA est inversible.
Proposition 88. Si les réels xi ne sont pas tous égaux, alors la matrice t AA est inversible
et la solution des moindres carrés est donnée par
< x, x >< y, 1 > − < x, y >< x, 1 >
a= ,
n < x, x > −(< x, 1 >)2
n < x, y > − < x, 1 >< y, 1 >
b= .
n < x, x > −(< x, 1 >)2
Remarque 89. On peut exprimer plus explicitement ces quantités. Notons
n n
1 1X 1 1X
x̄ = < x, 1 >= xi , ȳ = < y, 1 >= yi ,
n n n n
i=1 i=1
n n
1 1 X 1 1 X
xy = < x, y >= xi yi , x2 = < x, x >= x2i .
n n n n
i=1 i=1

On obtient
x2 ȳ − xyx̄ xy − x̄ȳ
a= , b= . (24)
x2 − x̄2 x2 − x̄2
On distinguera bien x̄2 et x2 , c’est-à-dire le carré de la moyenne et la moyenne des carrés,
qui sont jamais égaux sauf si tous les xi sont égaux. Plus précisément, l’inégalité de Cauchy-
Schwarz entraı̂ne
x2 ≥ x̄2 ,
avec égalité si seulement si x est proportionnel au vecteur 1.

30
Remarque 90. Avec ces notations, on peut exprimer a simplement en fonction de b :

a = ȳ − bx̄ . (25)

Exemple 91. Déterminer la droite la plus proche au sens des moindres carrés des points
du plan R2 (0,0), (1,0) et (3,12).
On pose x = (0, 1, 3) et y = (0, 0, 12). On obtient

x̄ = 4/3 , ȳ = 4 , x2 = 10/3 , xy = 12 .

La pente de la droite de régression est donnée par la formule (24) :

xy − x̄ȳ 12 − 16/3
b= = = 30/7 .
x2 − x̄2 10/3 − 16/9

Le coefficient a est donné par la formule (25) :

a = ȳ − bx̄ = 4 − (30/7) × (4/3) = −12/7 .

5 Formes quadratiques
Définition 92. Soit A une matrice carrée de taille n. On appelle forme quadratique
associée à A l’application notée qA , définie par

qA (x) =< Ax, x >= t x t Ax .

Soit ai,j , 1 ≤ i, j ≤ n les éléments de A. On a alors


n X
X n
qA (x) = ai,j xi xj . (26)
i=1 j=1

Exemple 93. Soit


 
1 2
A= .
1 3

Soit x ∈ R2 de coordonnées x1 et x2 . Alors

qA (x) = x21 + 3x1 x2 + 3x22 .

Considérons maintenant la matrice


 
1 3/2
B= .
3/2 3

Alors qB (x) = x21 + 3x1 x2 + 3x22 = qA (x).

31
On voit sur cet exemple qu’il peut exister plusieurs matrices associées à la même
forme quadratique. Cependant, il en existe une seule qui soit symétrique. Si l’on considère
l’écriture générale (26), on peut la réécrire de la façon suivante
n X
n
X ai,j + aj,i
qA (x) = xi xj .
2
i=1 j=1

Posons bi,j = (ai,j + aj,i )/2. La matrice B d’éléments bi,j est alors symétrique et l’on a
qA = qB .
Ce calcul permet aussi de retrouver la matrice A ou la matrice symétrique associée à
partir de l’écriture développée du type (26) d’une forme quadratique qA .
Exemple 94. Soit la forme quadratique sur R3 définie par q(x) = x21 − x22 + x1 x2 + 3x1 x3 .
Elle est associée à la matrice symétrique B définie par
 
1 1/2 3/2
B = 1/2 −1 0  .
3/2 0 0

On peut aussi trouver une infinité de matrices non symétriques donnant la même forme
quadratique, par exemple
 
1 1 3
A = 0 −1 0 .
0 0 0

On a bien q = qA = qB .

Définition 95 (Décomposition d’une forme quadratique). On appelle décomposition d’une


forme quadratique q définie sur Rn toute écriture de la forme
p
X
q(x) = αi < bi , x >2
i=1

où b1 , . . . , bp sont des vecteurs de Rn et les αi sont des nombres réels non nuls. Si de plus
la famille (b1 , . . . , bp ) est famille libre, la décomposition associée est appelée réduction.

Remarque 96. En posant b0i = |αi |bi , on peut toujours supposer que les nombres αi sont
p

égaux soit à 1 soit à −1.


Exemple 97. Considérons la forme quadratique de l’exemple 93 : q(x) = x21 + 3x1 x2 + 3x22 .
On a

q(x) = (x1 + 3x2 /2)2 − 9x22 /4 + 3x22 = (x1 + 3x2 /2)2 + 3x22 /4
=< b1 , x >2 + < b2 , x >2

32
avec
   
b1 =
1
, b2 = √0 .
3/2 3/2
Les vecteurs b1 et b2 sont bien linéairement indépendants. On peut aussi écrire
q(x) = 3(x1 /2 + x2 )2 − 3x21 /4 + x21 = 3(x1 /2 + x2 )2 + 3x21 /4
=< b01 , x >2 + < b02 , x >2
avec
√  √ 
3/2 3/2
b01 = √ , b02 = .
3 0
Les vecteurs b01 et b02 sont bien linéairement indépendants. Enfin, on peut écrire
q(x) = α < b1 , x >2 +α < b2 , x >2 +β < b01 , x >2 +β < b02 , x >2 ,
où α et β sont n’importe quels réels non nuls tels que α+β = 1. Mais la famille (b1 , b2 , b01 , b02 )
est évidemment liée, puisque la dimension de l’espace est 2.
Remarque 98. On voit donc qu’on peut écrire une forme quadratique comme une somme
de carrés de plusieurs façons, et qu’une décomposition n’est pas toujours une réduction.

Méthode de réduction de Gauss Cette méthode est une méthode pratique pour
déterminer une réduction d’une forme quadratique en somme de carrés. C’est une méthode
itérative qui consiste à isoler successivement les variables. On commence par rassembler
tous les termes contenant la variable x1 par exemple, puis on utilise la relation
x21 + 2a2 x1 x2 + 2a3 x1 x3 + · · · = (x1 + a2 x2 + a3 x3 + · · · )2 − a22 x22 − a3 x23 − 2a2 a3 x2 x3 − · · ·
pour isoler x1 dans un facteur du type < b1 , x >2 . On a alors
q(x1 , . . . , xn ) =< x, b1 >2 +q2 (x2 , . . . , xn ) ,
où q2 est une forme quadratique qui ne dépend plus de x1 . On poursuit par la réduction de
q2 . On peut formaliser cette méhode par une récurrence rigoureuse. Elle garantit que les
vecteurs bi obtenus (si l’on n’a pas fait d’erreur de calcul) sont linéairement indépendants.
Exemple 99. Déterminons une réduction de la forme définie dans l’exemple 94. On a
q(x) = x21 − x22 + x1 x2 + 3x1 x3
= (x1 + x2 /2 + 3x3 /2)2 − x22 /4 − 9x23 /4 − 3x2 x3 /2 − x22
= (x1 + x2 /2 + 3x3 /2)2 − 5x22 /4 − 3x2 x3 /2 − 9x23 /4
= (x1 + x2 /2 + 3x3 /2)2 − 5/4(x2 + 3x3 /5)2 + 9x23 /20 − 9x23 /4
= (x1 + x2 /2 + 3x3 /2)2 − 5/4(x2 + 3x3 /5)2 − 9x23 /5
=< x, b1 >2 −5/4 < x, b2 >2 −9/5 < x, b3 >2 ,

33
avec
     
1 0 0
b1 = 1/2 , b2 =  1  , b3 = 0 .

3/2 3/5 1

Signature et rang d’une forme quadratique La réduction d’une forme quadratique


en somme de carrés n’est pas unique, mais le nombre de carrés et le signe des coefficients
est toujours fixe.
Théorème 100. Soit q une forme quadratique sur Rn . Soit α1 , . . . , αp des nombres réels
et (b1 , . . . , bp ) une famille libre de vecteurs de Rn tels que
p
X
q(x) = αi < bi , x >2 .
i=1

Soit n− et n+ les nombres de coefficients αi de signe négatifs et positifs, respectivement.


Alors n− et n+ ne dépendent que de q et sont les mêmes pour toute réduction, et l’on a
n− + n+ ≤ n. Le couple (n+ , n− ) est appelé signature de la forme quadratique q, et l’entier
n− + n+ est appelé le rang de q.
Si n− = 0, alors pour tout x ∈ Rn , q(x) ≥ 0, et q est dite positive ; si de plus n+ = n,
alors pour tout x ∈ Rn \ {0}, q(x) > 0 et q est dite définie positive.
Si n+ = 0, alors pour tout x ∈ Rn , q(x) ≤ 0, et q est dite négative ; si de plus n− = n,
alors q est dite définie négative.
Exemple 101. Dans l’exemple 93, la signature est (2, 0), le rang est 2. La signature de la
forme définie dans l’exemple 94 a été réduite dans l’exemple 99. On a obtenu

q(x) =< x, b1 >2 −5/4 < x, b2 >2 −9/5 < x, b3 >2 ,

où les vecteurs b1 , b2 , b3 sont linéairement indépendants, donc on obtient que la signature
est (1, 2) et le rang 3.
Exemple 102. Soit sur R3 la forme quadratique q définie par q(x) = x1 x2 . On trouve sa
signature en écrivant
1 1 1 1
q(x) = x1 x2 = (x1 + x2 )2 − (x1 − x2 )2 = < x, b1 >2 − < x, b2 >2 ,
4 4 4 4
avec
   
1 1
b1 = 1 , b2 = −1 .
0 0

Les vecteurs b1 , b2 sont linéairement indépendants, donc on obtient que la signature est
(1, 1) et le rang 2.

34